論文の概要: Convex Relaxation for Robust Vanishing Point Estimation in Manhattan World

• arxiv url: http://arxiv.org/abs/2505.04788v2
• Date: Wed, 21 May 2025 12:59:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.513556
• Title: Convex Relaxation for Robust Vanishing Point Estimation in Manhattan World
• Title（参考訳）: マンハッタン世界におけるロバストな消滅点推定のための凸緩和
• Authors: Bangyan Liao, Zhenjun Zhao, Haoang Li, Yi Zhou, Yingping Zeng, Hao Li, Peidong Liu,
• Abstract要約: GlobustVPは、マンハッタンの世界における点の消滅のための、グローバルに最適なアウトリー・ロバスト反復解法である。 合成データと実世界のデータの両方の実験により、GlobustVPは効率、堅牢性、大域的最適性の間の好適なバランスを達成していることが示された。
• 参考スコア（独自算出の注目度）: 16.3992847420311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Determining the vanishing points (VPs) in a Manhattan world, as a fundamental task in many 3D vision applications, consists of jointly inferring the line-VP association and locating each VP. Existing methods are, however, either sub-optimal solvers or pursuing global optimality at a significant cost of computing time. In contrast to prior works, we introduce convex relaxation techniques to solve this task for the first time. Specifically, we employ a "soft" association scheme, realized via a truncated multi-selection error, that allows for joint estimation of VPs' locations and line-VP associations. This approach leads to a primal problem that can be reformulated into a quadratically constrained quadratic programming (QCQP) problem, which is then relaxed into a convex semidefinite programming (SDP) problem. To solve this SDP problem efficiently, we present a globally optimal outlier-robust iterative solver (called GlobustVP), which independently searches for one VP and its associated lines in each iteration, treating other lines as outliers. After each independent update of all VPs, the mutual orthogonality between the three VPs in a Manhattan world is reinforced via local refinement. Extensive experiments on both synthetic and real-world data demonstrate that GlobustVP achieves a favorable balance between efficiency, robustness, and global optimality compared to previous works. The code is publicly available at https://github.com/WU-CVGL/GlobustVP.
• Abstract（参考訳）: マンハッタンの世界における消滅点(VP)を決定することは、多くの3次元視覚アプリケーションにおける基本的なタスクであり、ラインバイスプレジデントを共同で推論し、各VPを割り振ることである。 しかし、既存の手法は準最適解法か、計算時間のかなりのコストで大域的最適性を求めるかのいずれかである。 従来の研究とは対照的に,この課題を初めて解くために凸緩和技術を導入する。 具体的には、「ソフト」なアソシエイトスキームを採用し、マルチ選択誤りによって実現され、VPの位置とライン-VPアソシエイトを共同で推定することができる。 このアプローチは、2次制約付き2次プログラミング(QCQP)問題に再帰できる原始問題をもたらし、凸半定値プログラミング(SDP)問題に緩和される。 本稿では,このSDP問題を効率的に解くために,各反復において1つのVPとその関連行を独立に探索し,他の行を外れ値として扱う,グローバルに最適なアウトリー・ロバスト反復解法(GlobustVP)を提案する。 すべてのVPが独立して更新された後、マンハッタンの世界における3つのVP間の相互直交性は、局所的な洗練によって強化される。 合成データと実世界のデータの両方に関する大規模な実験は、GlobustVPが従来の研究と比べて効率、堅牢性、大域的最適性の間の好適なバランスを達成していることを示している。 コードはhttps://github.com/WU-CVGL/GlobustVPで公開されている。

関連論文リスト

• GlobalPointer: Large-Scale Plane Adjustment with Bi-Convex Relaxation [44.98626468432535]
  平面調整は多くの3次元アプリケーションにおいて重要であり、同時にポーズ推定と平面の回復を伴う。 我々はtextitBi-Convex Relaxation と呼ばれる新しい最適化戦略を利用して、元の問題を2つのより単純なサブプロブレムに分解する。 平面調整問題であるtextitGlobalPointer と textitGlobalPointer++ の2つのアルゴリズム変種を提案する。
  論文  参考訳（メタデータ） (2024-07-18T14:09:03Z)
• Projection by Convolution: Optimal Sample Complexity for Reinforcement Learning in Continuous-Space MDPs [56.237917407785545]
  本稿では,円滑なベルマン作用素を持つ連続空間マルコフ決定過程(MDP)の一般クラスにおいて,$varepsilon$-optimal Policyを学習する問題を考察する。 我々のソリューションの鍵となるのは、調和解析のアイデアに基づく新しい射影技術である。 我々の結果は、連続空間 MDP における2つの人気と矛盾する視点のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-05-10T09:58:47Z)
• Convex Relaxations of ReLU Neural Networks Approximate Global Optima in Polynomial Time [45.72323731094864]
  本稿では,2層ReLULUネットワーク間における重み減衰と凸緩和の最適性ギャップについて検討する。 私たちの研究は、なぜローカルメソッドがうまく機能するのかを理解することに新たな光を当てています。
  論文  参考訳（メタデータ） (2024-02-06T01:29:35Z)
• Polynomial-Time Solutions for ReLU Network Training: A Complexity Classification via Max-Cut and Zonotopes [70.52097560486683]
  我々は、ReLUネットワークの近似の難しさがマックス・カッツ問題の複雑さを反映しているだけでなく、特定の場合において、それと完全に一致することを証明した。 特に、$epsilonleqsqrt84/83-1approx 0.006$とすると、目的値に関して相対誤差$epsilon$でReLUネットワーク対象の近似グローバルデータセットを見つけることはNPハードであることが示される。
  論文  参考訳（メタデータ） (2023-11-18T04:41:07Z)
• Learning in Inverse Optimization: Incenter Cost, Augmented Suboptimality Loss, and Algorithms [4.0295993947651025]
  我々は、最近Besbesらによって提案された「内心」の概念を、周辺に類似した新しい概念として紹介する。 本稿では,不整合データ問題に対する内心的概念の緩和であるASL (Augmented Suboptimality Loss) という新たな損失関数を提案する。 このアルゴリズムは、近似的な下位段階の評価とミラー降下更新ステップを組み合わせることで、高濃度の離散可能な集合を持つIO問題に対して、確実に効率的である。
  論文  参考訳（メタデータ） (2023-05-12T18:58:08Z)
• Fully Stochastic Trust-Region Sequential Quadratic Programming for Equality-Constrained Optimization Problems [62.83783246648714]
  目的と決定論的等式制約による非線形最適化問題を解くために,逐次2次プログラミングアルゴリズム(TR-StoSQP)を提案する。 アルゴリズムは信頼領域半径を適応的に選択し、既存の直線探索StoSQP方式と比較して不確定なヘッセン行列を利用することができる。
  論文  参考訳（メタデータ） (2022-11-29T05:52:17Z)
• STRIDE along Spectrahedral Vertices for Solving Large-Scale Rank-One Semidefinite Relaxations [27.353023427198806]
  我々は、制約のない最適化問題(POP)の高次半定値プログラミング緩和を考察する。 POPから独立してSDPを解く既存のアプローチは、そのようなSDPの典型的な非エネルギー性のため、大きな問題にスケールできないか、あるいは緩やかな収束に苦しむことができない。 我々は SpecTrahedral vErtices (STRIDE) と呼ばれる新しいアルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-28T18:07:16Z)
• A Multi-Agent Primal-Dual Strategy for Composite Optimization over Distributed Features [52.856801164425086]
  目的関数を滑らかな局所関数と凸(おそらく非滑らか)結合関数の和とするマルチエージェント共有最適化問題について検討する。
  論文  参考訳（メタデータ） (2020-06-15T19:40:24Z)
• MOPS-Net: A Matrix Optimization-driven Network forTask-Oriented 3D Point Cloud Downsampling [86.42733428762513]
  MOPS-Netは行列最適化のための新しい解釈可能な深層学習手法である。 我々はMOPS-Netが様々なタスクに対して最先端の深層学習手法に対して好適な性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-05-01T14:01:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。